Encuesta AKASA y HFMA: 80% de hospitales prueba IA en cobros

Por qué los equipos del ciclo de ingresos pierden dinero por la documentación

Los sistemas de salud pierden ingresos cuando la documentación clínica y los códigos están incompletos. En la encuesta, el 89% de los líderes financieros dijo que los códigos omitidos o inexactos afectan los ingresos, y el 51% calificó ese impacto de significativo o muy significativo. En promedio, los encuestados calcularon que el 8,49% del ingreso total está en riesgo por problemas de documentación o codificación.

Más de una cuarta parte de los líderes señaló la documentación incompleta como su principal desafío, por delante de la falta de personal y de los límites tecnológicos. Jeff Francis, director financiero de Methodist Health System en Omaha, Nebraska, lo tradujo a dólares: el 8% del ingreso en una organización de mil millones de dólares equivale a unos 80 millones de dólares.

Cuántos sistemas de salud usan IA generativa en el ciclo de ingresos

La adopción avanzó rápido. En 2025, el 80% de los sistemas de salud dice que explora, prueba o implementa herramientas de IA generativa para la gestión del ciclo de ingresos, un salto del 38% en menos de dos años. En 2023, el 58% apenas lo consideraba. Hoy cerca del 40% está en piloto o implementación, el 39% está explorando y el 20% no ha empezado.

AKASA, una empresa de South San Francisco que vende IA generativa para la gestión del ciclo de ingresos hospitalario, encargó la encuesta. HFMA la aplicó a través de su programa Pulse Survey en abril de 2025 y reunió respuestas de 519 directores financieros y líderes del ciclo de ingresos de hospitales y sistemas de salud de todo Estados Unidos.

Por qué los sistemas de salud más pequeños se rezagan en IA

El tamaño divide al mercado. Entre los sistemas de salud más pequeños, con ingresos de entre 500 millones y mil millones de dólares, cerca del 20% está en piloto o implementación, frente al 64% de los sistemas grandes. La encuesta describe a estos sistemas medianos como de los más cautelosos para adoptar, frenados por prioridades que compiten entre sí y por una capacidad de TI limitada.

Los encuestados mencionaron con más frecuencia como barreras la integración con los sistemas existentes, el costo y el presupuesto, y la seguridad de los datos. Para los sistemas grandes, las restricciones de costo y presupuesto fueron el mayor desafío, con un 52,5%. Los directivos también señalaron la falta de un retorno de la inversión claro.

Qué hace AKASA para Methodist Health System

Methodist Health System trabaja con AKASA desde 2019 para acelerar la resolución de reclamaciones. La herramienta automatiza tareas del ciclo de ingresos, como revisar el estado de las reclamaciones en los portales web de las aseguradoras, para que el personal pase del seguimiento a las aseguradoras a otras tareas del ciclo de ingresos.

AKASA combina conocimiento del ciclo de ingresos con grandes modelos de lenguaje a la medida, entrenados con los datos clínicos y financieros del propio sistema de salud. Methodist también lo usa para revisar la codificación antes de facturar una reclamación. Francis dijo que antes el sistema enviaba a un tercero, meses después, las reclamaciones rechazadas o pagadas de menos; ahora la revisión se hace antes de facturar, así que la reclamación sale bien a la primera y el dinero llega antes.

Qué cambió la IA para el personal de reclamaciones

Según un estudio de caso, la IA sacó el 71% de las cuentas de las filas del personal e hizo el trabajo de seguimiento de estado de casi 14 empleados de tiempo completo. AKASA dice que resolvió reclamaciones de 56,118 cuentas en ocho meses y ahorró 5,559 horas de trabajo en ese periodo.

Francis describió el resultado en términos de personal. Methodist liberó el tiempo equivalente a ocho empleados de tiempo completo, que ahora trabajan las reclamaciones más difíciles, con lo que él llamó un mejor rendimiento. El sistema de salud ahora estudia automatizar las autorizaciones previas.

Qué cambia para los equipos de finanzas de los hospitales

Para un equipo de finanzas hospitalario, el trabajo que asume la IA es concreto: revisar el estado de las reclamaciones, revisar la codificación antes de facturar y encontrar huecos en la documentación. Al preguntarles dónde podría marcar más diferencia la IA generativa, casi el 60% de los encuestados mencionó las oportunidades de reembolso perdidas, el 57% los huecos en la documentación clínica y el 33% los indicadores de calidad omitidos.

La mayoría de los sistemas ya paga ayuda externa: el 55% usa proveedores de integridad de la documentación clínica y el 76% proveedores de codificación, y la encuesta califica la adopción de fragmentada. Malinka Walaliyadde, director ejecutivo de AKASA, dijo que los proveedores deberían usar integraciones basadas en estándares con las API del expediente clínico electrónico que el sistema ya usa, para que los sistemas más pequeños carguen con menos trabajo de TI.

«La oportunidad de mejorar la precisión de la documentación es clara, pero requiere inversión, confianza y una hoja de ruta que integre la tecnología a los flujos de trabajo existentes de forma responsable». Malinka Walaliyadde, director ejecutivo y cofundador de AKASA

Preguntas y respuestas

¿Qué parte de los sistemas de salud usa IA en la gestión del ciclo de ingresos?

En la encuesta, el 80% de los sistemas de salud dijo que en 2025 exploraba, probaba o implementaba IA generativa para la gestión del ciclo de ingresos. Cerca del 40% ya estaba en piloto o implementación, y el 20% no había empezado.

¿Cuánto ingreso ponen en riesgo los errores de codificación?

Los encuestados calcularon que, en promedio, el 8,49% del ingreso total está en riesgo por problemas de documentación o codificación. El 89% dijo que los códigos omitidos o inexactos afectan los ingresos.

¿Quién hizo la encuesta y quién la respondió?

HFMA la aplicó a través de su programa Pulse Survey en abril de 2025, por encargo de AKASA. Respondieron 519 directores financieros y líderes del ciclo de ingresos de hospitales y sistemas de salud de Estados Unidos.